我们提出了一种简单的方法来通过人工神经网络的回归来识别数据集中的连续谎言对称。我们的提案利用了在输入变量上的无限对称转换下输出变量的$ \ Mathcal {O}（\ epsilon ^ 2）$缩放。随着后期对称转换的影响，该方法不依赖于数据集的完整表示空间或排放的采样，并且最小化了错误识别的可能性。我们在SU（3） - 对称（非）线性$ \ SIGMA $模型中展示了我们的方法。
translated by 谷歌翻译
纳米四轮驱动器是小的，敏捷且廉价的平台，非常适合在狭窄，混乱的环境中部署。由于其有效载荷有限，这些车辆在处理能力方面受到了高度限制，从而使基于常规视觉的方法具有安全性和自主导航不兼容。最近的机器学习发展有望在低潜伏期处高性能感知，而专用的边缘计算硬件有可能增强这些有限设备的处理能力。在这项工作中，我们提出了Nanoflownet，这是一个轻巧的卷积神经网络，用于实时密集的光流估计，对边缘计算硬件。我们从最新的语义细分方面汲取灵感来设计该网络。此外，我们使用运动边界地面真实数据指导学习光流的学习，从而改善了性能而不会影响延迟。 MPI-SINTEL数据集的验证结果显示，鉴于其受限的体系结构，该网络的高性能。此外，我们通过将其部署在超低功率GAP8微处理器上，并将其应用于BitCraze Crazyflie，这是34 G纳米四轮摩托车的BitCraze Crazyflie，并将其应用于34 G Nano Quadcopter的BitCraze Crazyflie，从而成功地证明了纳米滚子的功能。
translated by 谷歌翻译
基于学习的视觉自我运动估计是有希望的，但尚未准备好在现实世界中浏览敏捷的移动机器人。在本文中，我们提出了Cuahn-Vio，这是一款适用于配备了向下式摄像头的微型航空车（MAVS）的强大而有效的单眼视觉惯性镜（VIO）。视觉前端是一个内容和不确定性的同型同构网络（CUAHN），它对非主体摄影图像内容和网络预测的故障案例非常有力。它不仅可以预测截然变换，还可以估计其不确定性。培训是自学的，因此它不需要通常难以获得的地面真理。该网络具有良好的概括，可以在不进行微调的情况下在新环境中部署“插件”。轻巧的扩展卡尔曼过滤器（EKF）用作VIO后端，并利用网络中的平均预测和方差估计进行视觉测量更新。 Cuahn-Vio在高速公共数据集上进行了评估，并显示出与最先进（SOTA）VIO方法的竞争精度。由于运动模糊，低网络推理时间（〜23ms）和稳定的处理延迟（〜26ms），Cuahn-Vio成功运行了NVIDIA JETSON TX2嵌入式处理器，以导航快速自动驾驶MAV。
translated by 谷歌翻译
使能够评估风险和做出风险意识的决策的能力对于将强化学习应用于无人机等安全性机器人至关重要。在本文中，我们调查了一种特定情况，即纳米四轮摩托车机器人学会在部分可观察性下浏览杂乱无章的环境。我们提出了一个分配加强学习框架，以生成适应性的风险趋势政策。具体而言，我们建议将学习回报分布的较低尾巴条件差异作为内在的不确定性估计，并使用指数加权的平均预测（EWAF）根据估计的不确定性调整风险趋势。在模拟和现实世界的经验结果中，我们表明（1）（1）最有效的风险趋势在各州各不相同，（2）具有自适应风险趋势的代理人比风险中性政策或避免风险的政策基准相比，其绩效优于绩效。
translated by 谷歌翻译
决策支持系统在农业领域越来越受欢迎。随着自动化机器学习的发展，农业专家现在能够使用切削刃机器学习（ML）模型来培训，评估和做出预测，而无需大得多。虽然这种自动化方法导致了许多情况下的成功结果，但在某些情况下（例如，当有很多标记的数据集可用时）选择具有类似性能度量的不同模型中是一项艰巨的任务。此外，这些系统通常不允许用户纳入其域知识，这些域知识可以促进模型选择的任务，并深入了解最终决策的预测系统。为了解决这些问题，在本文中，我们展示了一种视觉支持系统，允许域专家更好地理解，诊断和比较不同的回归模型，主要是通过丰富具有域知识的模型不可知的解释。为了验证AHMOSE，我们描述了葡萄栽培领域的用例场景，葡萄质量预测，系统使用户能够诊断和选择更好的预测模型。我们还讨论了关于ML和葡萄栽培专家的工具设计的反馈。
translated by 谷歌翻译
微空中车辆（MAVS）在户外操作的限制靠近障碍物，通过他们承受风阵风的能力。目前广泛的位置控制方法，例如比例整体衍生物控制在阵风的影响下不会均匀。增量非线性动态反转（INDI）是一种基于传感器的控制技术，可以控制受扰动的非线性系统。它是为载人飞机或MAVS的态度控制而开发的。在本文中，我们将这种方法概括为严重燃烧负载下MAV的外环控制。在一个实验中对传统的比例积分衍生物（PID）控制器的显着改进进行了说明，其中四轮电机在10米/秒的吹风机排气进出中。控制方法不依赖于频繁的位置更新，如使用标准GPS模块的外部实验中所示。最后，我们研究了使用线性化来计算推力向量增量的效果，与非线性计算相比。该方法需要很少的建模并且是计算效率。
translated by 谷歌翻译